Prediksi Financial Distress menggunakan Artificial Neural Network : Studi empiris pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia periode 2013-2018

Lidiawati, Lisna (2020) Prediksi Financial Distress menggunakan Artificial Neural Network : Studi empiris pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia periode 2013-2018. Diploma thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (61kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (102kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (50kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (324kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (297kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (428kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (182kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (188kB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengetahui model prediksi financial distress menggunakan Artificial Neural Network (ANN) dengan algoritma backpropagation yang terbukti lebih akurat dalam memprediksi kesulitan keuangan perusahaan dibandingkan dengan menggunakan metode lainnya. Populasi dalam penelitian ini adalah perusahaan sektor Manufaktur yang terdaftar di Bursa Efek Indonesia periode 2013-2018. Dengan menggunakan teknik purposive sampling, sampel yang diperoleh yaitu sebanyak 34 perusahaan manufaktur yang terdiri dari 17 perusahaan financial distress dan 17 perusahaan non-financial distress. Data yang digunakan adalah data sekunder, yaitu laporan keuangan yang diperoleh dari situs ww.idx.co.id, www.idnfinancials.com dan www.finance.yahoo.com. Data rasio keuangan yang digunakan sebagai variabel input data adalah lima rasio keuangan Altman yang terdiri dari Working Capital to Total Assets Ratio, Retained Earning to Total Assets Ratio, Earning Before Interest and Taxes to Total Assets Ratio, Market Value of Equity to Book Value of Liabilities Ratio, dan Sales to Average Total Assets Ratio. Dengan menggunakan arsitektur 30-1-1, yaitu 30 input, 1 hidden layer dan 1 output serta learning rate 0,01 dan iterasi 1000, model terbaik pada proses pelatihan (training) yang menghasilkan akurasi tertinggi sebesar 100% adalah dengan menggunakan 16 neuron per hidden layer. Hasil pengujian (testing) menunjukkan 100% keakuratan dengan nilai MAD sebesar 0,1830, MSE 0,0675 dan RMSE sebesar 0,2590 dengan prediksi sebanyak 4 perusahaan tidak berada dalam kondisi financial distressi dan 4 perusahaan mengalami financial distress.

Actions (login required)

View Item